Loading…
Thumbnail Image

Modeling and analyzing bias in recommender systems from multi-views: context, topic and evaluation

Yuan, Jing

FG Agententechnologien in betrieblichen Anwendungen und der Telekommunikation (AOT)

With the explosive growth of information on the Internet, recommender systems have been broadly applied in user engaged systems to efficiently discover items of potential interest. In order to automatically generate such “guess what you like” results and serve matching recommendations, advanced machine learning and data mining techniques are applied in recommender systems. However, the model based methods that learn from historical data often result in unavoidable bias in recommendations from different perspectives. The filtering bubble reflected in the biased recommendations leads to the fact that recommended targets fall into a narrow range. The existing research towards the bias problem in recommender systems focuses mainly on the bias adjustment within a specific modeling phase. The comprehensive understanding and generic bias countering approaches are still missing. In this thesis, we research on the bias problem in recommender systems from multi-views, including contextual bias, content-level understanding of bias, and the evaluation bias. These bias phenomena are observed in specific application scenarios. The modeling, analysis and evaluation of bias are conducted accordingly. First, in the recommendation scenario of IPTV systems, recommendations are more sensitive to the contextual influence due to the video genres and airing schedule. Thus we conduct the research on modeling and countering contextual bias in this scenario. Second, digital news portals form a special recommendation scenario. The user impression or clicking behavior is heavily affected by the content-level bias understanding. Targeting on the gap between the article level popularity bias and the content-level understanding of bias, we research on the topical bias representation for news articles and their potential predicting power. In addition, in the algorithm recommendation scenario, the single objective evaluation leads to the overlook on the other measurement targets. Therefore, multi-objective evaluation and candidate expansion are attempted to deal with such evaluation bias. The proposed modeling approach in algorithm selection has proven to balance the multi-objective evaluation well.
Mit den explosiven Informationen im Internet wurden Empfehlungssysteme weitgehend in benutzerbezogenen Systemen eingesetzt, um potenzielle interessierte Elemente schnell zu entdecken. Um solche Ergebnisse automatisch zu generieren und entsprechende Empfehlungen abzugeben, wurden in den Empfehlungssystemen fortgeschrittene Techniken für maschinelles Lernen und Data Mining versucht. Die modellbasierten Methoden, die aus den historischen Daten lernen, führen jedoch zu unvermeidlichen voreingenommenen Empfehlungen aus verschiedenen Perspektiven. Die Filterblase, die sich in der voreingenommenen Empfehlung widerspiegelt, führt dazu, dass empfohlene Ziele in einen engen Bereich fallen. Die vorhandenen Untersuchungen zum Bias-Problem im Empfehlungssystem konzentrieren sich hauptsächlich auf die Bias-Anpassung innerhalb einer bestimmten Modellierungsphase. Das umfassende Verständnis und der generische Bias-Countering-Ansatz fehlen noch. In dieser Arbeit untersuchen wir das Verzerrungsproblem im Empfehlungssystem aus mehreren Ansichten, einschließlich kontextbezogener Verzerrung, Verständnis der Verzerrung auf Inhaltsebene und der Bewertungsverzerrung. Diese Verzerrungsphänomene wurden in bestimmten Anwendungsszenarien erfasst. Die Modellierung, Analyse und Bewertung des Bias wurde entsprechend durchgeführt. Zuerst, das IPTV-System reagiert aufgrund der Videogattungen und des Sendeplans empfindlicher auf den kontextuellen Einfluss. In diesem Szenario werden daher Untersuchungen zur Modellierung und Bekämpfung kontextbezogener Verzerrungen durchgeführt. Zweite, in digitalen Nachrichtenportalen wird das Eindrucks- oder Klickverhalten des Benutzers stark vom Verständnis der Verzerrung auf Inhaltsebene beeinflusst. Ausrichtung auf die Lücke zwischen der Beliebtheit der Artikelebene und dem Verständnis der Verzerrung auf Inhaltsebene. Die Analyse wurde in Richtung der aktuellen Bias-Darstellung für Nachrichtenartikel erstellt. Darüber hinaus kann das im Empfehlungssystem verwendete Einzelobjektbewertungsverfahren zu einem voreingenommenen Ziel führen. Bei der Bewertung mehrerer Ziele und der Erweiterung der Kandidaten wurde versucht, die Bewertungsverzerrung zu bewältigen. Der vorgeschlagene Modellierungsansatz hat Bewertung mit mehreren Zielen gut ausbalanciert bei der Algorithmusauswahl.